我在scikit-learn中创建动态管道，并将评分函数设置为GridSearchCV的参数字符串：
gs = GridSearchCV(pipeline, grid, scoring='accuracy')
然而，当我尝试获取用于评估预测的评分函数时，我得到了以下结果：
File "app/experimenter/sklearn/sklearn-dask-tests.py", line 127, in run_pipeline print(evaluator(expected, predicted))TypeError: __call__() takes at least 4 arguments (3 given)这是代码：
gs.fit(train_data, train_target)predicted = gs.predict(test_data)evaluator = gs.scorer_print(evaluator(expected, predicted))从我所看到的来看，问题在于评估器实际上是make_scorer(accuracy_score)。我猜如果我将估计器作为第一个参数添加进去，print(evaluator(expected, predicted))可能会工作，但如何从管道中正确获取它呢？
因为当我使用gs.best_estimator_时，我得到的是：
Pipeline(steps=[('mapper', DataFrameMapper(default=False, df_out=False, features=[('Sex', LabelBinarizer(neg_label=0, pos_label=1, sparse_output=False))], sparse=False)), ('DecisionTree', DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=3, max_features=1, max_... min_weight_fraction_leaf=0.0, presort=False, random_state=None, splitter='best'))])回答：
是的，这是GridSearchCV的预期行为。从gs.best_estimator_返回的管道对象已经在整个train_data上使用网格搜索中找到的最佳参数进行了拟合。
你需要将该管道对象发送到evaluator中。但你当前对evaluator的使用是错误的。
由make_scorer创建的scorer_的工作原理是，它接收测试数据，对其进行预测，然后通过与实际数据进行比较来计算得分。
因此，它的签名是：
scorer(estimator, X_test, y_test)
但你试图这样使用它：
evaluator(expected, predicted)这不会工作，因为：
- 它不符合
scorer的签名 - 它需要X数据，而不是预测的y数据。
所以，如果你已经有了数据的实际值和预测值，你可以简单地使用：
accuracy_score(expected, predicted)
如果你想使用scorer_（你的evaluator），那么你不应该提供predicted，而是提供test_data（从中获得predicted）
evaluator(gs.best_estimator_, test_data, expected)